The RG model provides a unique fram

The RG model provides a unique framework for the joint modeling
of conditional variance and realized measures of volatility. As
the RG model is still relatively nascent, its forecasting performance
has not been sufficiently explored. This article attempts to bridge
this gap by comparing the predictive ability of the RG model with
that of the GARCH and EGARCH models based on daily returns, and
the EW, RW and MA models based on realized measures of volatility.
The RG, EW, RW and MA models are implemented using five
realized measures. Overall, our model space includes 22 forecasting
models. The data set for this study comprises 16 international
stock indices, with a sample period ranging from 1 January 2000 to
12 September 2014.
Wefind thatthe relative forecastingperformance ofthe EGARCH
and RG models is sensitive to the choice of the loss criteria. With
the QLIKE loss function, the RG model is preferable to the EGARCH
model, whereas with the MSE loss function, the EGARCH model is
preferable. Moreover, the RG model does not provide better forecasts
than the EW and MA models. Regardless of the choice of
the realized measure, the EW model outperforms the RG model,
and usually ranks as the best forecasting model on the QLIKE and
MSE loss criteria, across all volatility regimes. It may seem surprising
that the EW models outperform the RG models, since the
EW specification is nested within the more general RG specification.
However, the superior forecasting performance of the EW
can be explained by three reasons. First, even the most basic RG
model requires an estimation of nine parameters, whereas the EW
model requires the estimation of a single parameter. The estimation
of a large number of parameters can often lead to considerable
estimation errors that may make the model ill-suited for forecasting
applications. The principle of parsimony suggests, that among
a set of models that incorporate all the relevant information, the
simpler forecasting models usually perform better than the more
complex models. Second, as the EW estimate is not conditioned on
the long-run mean variance, it is quicker to respond to the changes
in the variance process as compared to the GARCH estimate (Taylor,
1986). Several other studies have indicated that the EW model can
provide more accurate volatility forecasts than the GARCH models
(Tse, 1991; Tse & Tung, 1992; Boudoukh, Richardson, & Whitelaw,
1997; Vipul & Jacob, 2007). Third, the RG model may not be ideal
for forecasting as it attempts to combine the squared daily returns
with a realized measure of volatility. It is well established that
the realized measures provide more precise estimates of the latent
volatility, whereas, the squared daily returns provide a noisy estimate
(Andersen & Bollerslev, 1998). Therefore, the inclusion of
squared daily returns is likely to introduce noise in the model, and
adversely affect its out-of-sample performance. There is no informational
gain by the inclusion of daily returns in the model, as the
realized measures subsume the information contained in the daily
returns. Our results indicate that one can generate better volatility
forecasts, using simpler time series models with the realized
measures. From a practical standpoint also, the EW model is easier
to implement than the RG model, as it does not require a large
history of data for model estimation

ผลลัพธ์ (ไทย) 1:

รุ่น RG มีกรอบเฉพาะสำหรับโมเดลร่วมของผลต่างตามเงื่อนไขและมาตรการที่เกิดความผันผวน เป็นรุ่น RG เป็นยังคงค่อนข้างตั้งไข่ ประสิทธิภาพของการคาดการณ์ได้ไม่ได้รับอย่างพอเพียงสำรวจ บทความนี้พยายามจากสะพานช่องว่างนี้ โดยการเปรียบเทียบความสามารถทำนายของรุ่น RG กับของแบบจำลอง GARCH และ EGARCH อิงตอบแทนรายวัน และรุ่น EW, RW และ MA ที่อิงรู้มาตรการความผันผวนรุ่น RG, EW, RW และ MA ที่ดำเนินการโดยใช้ 5ตระหนักถึงมาตรการ โดยรวม พื้นที่แบบของเรารวมถึงการคาดการณ์ 22รุ่น ชุดข้อมูลสำหรับการศึกษานี้ประกอบด้วย 16 ประเทศดัชนีตลาดหุ้น มีตัวอย่างระยะเวลาตั้งแต่ 1 2000 มกราคม12 2557 กันยายนWefind ที่ forecastingperformance สัมพัทธ์ของการ EGARCHและรุ่น RG เป็นสำคัญในการเลือกเกณฑ์ขาดทุน ด้วยQLIKE ฟังก์ชั่นการสูญ รุ่น RG เป็นที่นิยมของ EGARCHในขณะที่ MSE ขาดทุน รุ่น EGARCH แบบดีกว่า นอกจากนี้ รุ่น RG ไม่ให้ดีกว่าคาดการณ์กว่ารุ่น EW และ MA โดยไม่คำนึงถึงทางเลือกของวัดการรับรู้ รุ่น EW มีประสิทธิภาพสูงกว่ารุ่น RGและมักจะเป็นอันดับที่ดีที่สุดที่การคาดการณ์ที่แบบจำลองใน QLIKE และMSE ขาดเกณฑ์ ข้ามระบอบความผันผวนทั้งหมด มันอาจดูเหมือนแปลกใจว่า รุ่น EW RG ที่ดีกว่ารุ่น ตั้งแต่การข้อมูลจำเพาะเกี่ยวกับ EW ซ้อนอยู่ภายในข้อกำหนดทั่วไปของ RGHowever, the superior forecasting performance of the EWcan be explained by three reasons. First, even the most basic RGmodel requires an estimation of nine parameters, whereas the EWmodel requires the estimation of a single parameter. The estimationof a large number of parameters can often lead to considerableestimation errors that may make the model ill-suited for forecastingapplications. The principle of parsimony suggests, that amonga set of models that incorporate all the relevant information, thesimpler forecasting models usually perform better than the morecomplex models. Second, as the EW estimate is not conditioned onthe long-run mean variance, it is quicker to respond to the changesin the variance process as compared to the GARCH estimate (Taylor,1986). Several other studies have indicated that the EW model canprovide more accurate volatility forecasts than the GARCH models(Tse, 1991; Tse & Tung, 1992; Boudoukh, Richardson, & Whitelaw,1997; Vipul & Jacob, 2007). Third, the RG model may not be idealfor forecasting as it attempts to combine the squared daily returnswith a realized measure of volatility. It is well established thatthe realized measures provide more precise estimates of the latentvolatility, whereas, the squared daily returns provide a noisy estimate(Andersen & Bollerslev, 1998). Therefore, the inclusion ofsquared daily returns is likely to introduce noise in the model, andadversely affect its out-of-sample performance. There is no informational
gain by the inclusion of daily returns in the model, as the
realized measures subsume the information contained in the daily
returns. Our results indicate that one can generate better volatility
forecasts, using simpler time series models with the realized
measures. From a practical standpoint also, the EW model is easier
to implement than the RG model, as it does not require a large
history of data for model estimation

ผลลัพธ์ (ไทย) 2:

รุ่น RG ให้กรอบไม่ซ้ำกันสำหรับการสร้างแบบจำลองร่วมกัน
ของความแปรปรวนเงื่อนไขและมาตรการตระหนักถึงความผันผวนของ ในฐานะที่เป็น
รุ่น RG ยังค่อนข้างตั้งไข่ประสิทธิภาพการคาดการณ์ของตน
ยังไม่ได้รับการสำรวจอย่างพอเพียง บทความนี้พยายามจะสร้างสะพานเชื่อม
ช่องว่างนี้โดยการเปรียบเทียบความสามารถในการคาดการณ์ของรุ่น RG กับ
ที่ GARCH และ EGARCH รุ่นขึ้นอยู่กับผลตอบแทนทุกวันและ
EW, RW และแมสซาชูเซตรุ่นขึ้นอยู่กับมาตรการตระหนักถึงความผันผวน.
ริโอ, EW, RW และรูปแบบ MA จะดำเนินการโดยใช้ห้า
มาตรการตระหนัก โดยรวมพื้นที่รูปแบบของเรารวมถึงการคาดการณ์ 22
รุ่น ชุดข้อมูลสำหรับการศึกษาครั้งนี้ประกอบด้วย 16 ต่างประเทศ
ดัชนีตลาดหุ้นที่มีระยะเวลาตัวอย่างตั้งแต่ 1 มกราคม 2000 ไป
12 กันยายน 2014
Wefind thatthe forecastingperformance ญาติ ofthe EGARCH
และ RG รุ่นมีความสำคัญกับการเลือกเกณฑ์การสูญเสีย ด้วย
ฟังก์ชั่นการสูญเสีย QLIKE, รุ่น RG เป็นที่นิยมในการ EGARCH
รุ่นในขณะที่มีฟังก์ชั่นการสูญเสีย MSE รุ่น EGARCH เป็น
ที่นิยม นอกจากนี้รุ่น RG ไม่ได้มีการคาดการณ์ที่ดีขึ้น
กว่า EW และปริญญาโทรุ่น โดยไม่คำนึงถึงทางเลือกของ
มาตรการตระหนักถึงรุ่น EW นี้มีประสิทธิภาพมากกว่ารุ่น RG ที่
และมักจะจัดอันดับให้เป็นรูปแบบการคาดการณ์ที่ดีที่สุดใน QLIKE และ
เกณฑ์การสูญเสีย MSE ในทุกระบอบการระเหย มันอาจจะดูเหมือนน่าแปลกใจ
ว่ารุ่น EW ดีกว่ารุ่น RG ตั้งแต่
เป EW ซ้อนอยู่ในสเปค RG ทั่วไปมากขึ้น.
แต่ประสิทธิภาพการทำงานที่เหนือกว่าการคาดการณ์ของ EW
สามารถอธิบายได้ด้วยเหตุผลสามประการ ขั้นแรกให้ได้มากที่สุด RG พื้นฐาน
รูปแบบต้องใช้การประมาณค่าพารามิเตอร์เก้าขณะ EW
รุ่นต้องใช้การประมาณพารามิเตอร์เดียว การประมาณ
ของจำนวนมากของพารามิเตอร์มักจะสามารถนำไปสู่การมาก
ข้อผิดพลาดของการประมาณค่าที่อาจทำให้รูปแบบไม่เหมาะสำหรับการพยากรณ์
การใช้งาน หลักการของความประหยัดที่แสดงให้เห็นว่าใน
ชุดของรุ่นที่รวมข้อมูลที่เกี่ยวข้องทั้งหมดให้
ง่ายรูปแบบการพยากรณ์มักจะทำงานได้ดีกว่ามากขึ้น
โมเดลที่ซับซ้อน ประการที่สองเป็นประมาณการ EW จะไม่ปรับอากาศใน
ระยะยาวหมายถึงความแปรปรวนมันเป็นรวดเร็วในการตอบสนองต่อการเปลี่ยนแปลง
ในกระบวนการแปรปรวนเมื่อเทียบกับประมาณการ GARCH (ที่เทย์เลอร์,
1986) การศึกษาอื่น ๆ หลายคนได้แสดงให้เห็นว่ารุ่น EW สามารถ
มีการคาดการณ์ความผันผวนถูกต้องมากขึ้นกว่ารุ่น GARCH
(Tse 1991; & Tse Tung 1992; Boudoukh, ริชาร์ดและ Whitelaw,
1997; Vipul และจาค็อบ, 2007) ประการที่สามรุ่น RG อาจจะไม่เหมาะ
สำหรับการคาดการณ์ในขณะที่มันพยายามที่จะรวมผลตอบแทนรายวันยกกำลังสอง
กับมาตรการตระหนักถึงความผันผวนของ มันเป็นอย่างดีเป็นที่ยอมรับว่า
มาตรการตระหนักให้ประมาณการที่แม่นยำยิ่งขึ้นของแฝง
ความผันผวนในขณะที่ยืดผลตอบแทนรายวันให้ประมาณการที่มีเสียงดัง
(เซนและ Bollerslev, 1998) ดังนั้นการรวมของ
ผลตอบแทนรายวันสแควร์มีแนวโน้มที่จะแนะนำในรูปแบบเสียงและ
ส่งผลกระทบต่อประสิทธิภาพการทำงานออกจากกลุ่มตัวอย่าง ไม่มีข้อมูลเป็น
กำไรโดยรวมของผลตอบแทนรายวันในรูปแบบที่เป็น
มาตรการตระหนัก subsume ข้อมูลที่มีอยู่ในชีวิตประจำวัน
ผลตอบแทน ผลของเราแสดงให้เห็นว่าสามารถสร้างความผันผวนที่ดีกว่า
การคาดการณ์โดยใช้ง่ายซีรี่ส์เวลาที่มีการตระหนักถึง
มาตรการ จากมุมมองในทางปฏิบัติยังรุ่น EW เป็นเรื่องง่าย
ที่จะใช้กว่ารุ่น RG ขณะที่มันไม่จำเป็นต้องมีขนาดใหญ่
ประวัติของข้อมูลสำหรับการประมาณรุ่น

ผลลัพธ์ (ไทย) 3:

โดย RG รุ่นให้กรอบที่ไม่ซ้ำกันสำหรับการร่วมความแปรปรวนมีเงื่อนไขและตระหนักว่ามาตรการของการผวน เป็นโดย RG รุ่นก็ยังค่อนข้างตั้งไข่ , ประสิทธิภาพของการพยากรณ์มีไม่เพียงพอ สำรวจ บทความนี้พยายามที่จะสะพานช่องว่างนี้ โดยเปรียบเทียบความสามารถในการทำนายของแบบจำลองกับมิเชลที่ของและรูปแบบของ egarch ขึ้นอยู่กับผลตอบแทนทุกวัน และที่อี๋ รุ่น RW และมายึดว่ามาตรการของการผวนโดย RG , EW , RW และมารูปแบบการดําเนินการโดยใช้ห้าตระหนักว่ามาตรการ รวมโมเดลของเรามีพื้นที่ 22 การพยากรณ์รุ่น ชุดข้อมูลสำหรับการศึกษานี้ประกอบด้วย 16 อินเตอร์เนชั่นแนลดัชนีหุ้น กับตัวอย่าง ระยะเวลาตั้งแต่ 1 มกราคม 2000 ถึง12 กันยายน 2014พบว่าญาติของ egarch forecastingperformanceและรุ่น RG อ่อนไหวกับทางเลือกของการสูญเสีย เกณฑ์ กับฟังก์ชันการสูญเสีย qlike , RG รุ่นเป็นที่นิยมกับ egarchรุ่น MSE และมีการสูญเสียฟังก์ชัน egarch รุ่นดีกว่า ยิ่งไปกว่านั้น , RG รุ่นไม่ให้การคาดการณ์ดีกว่ากว่ารุ่น EW และ ma โดยไม่คำนึงถึงทางเลือกของตระหนักถึงมาตรการ , EW แบบมีประสิทธิภาพดีกว่า RG รุ่นและมักจะมีอันดับเป็นที่ดีที่สุดในการพยากรณ์ใน qlike และเกณฑ์ขาดทุน ( ข้าม ) กันหมด มันอาจจะน่าแปลกใจที่ลง EW รุ่น RG รุ่น ตั้งแต่- ข้อมูลที่ซ้อนกันภายในทั่วไป RG สเปคอย่างไรก็ตาม ประสิทธิภาพเหนือกว่าการคาดการณ์ของอี๋สามารถอธิบายได้ด้วย 3 เหตุผล แรกคือ RG พื้นฐานที่สุดแบบต้องมีการประมาณเก้าพารามิเตอร์ ในขณะที่อี้แบบต้องมีการประมาณพารามิเตอร์เดียว การประมาณค่าของจำนวนมากของพารามิเตอร์ที่สามารถมักจะนําจํานวนมากการประมาณค่าความคลาดเคลื่อนที่อาจทำให้รูปแบบป่วยเหมาะกับการพยากรณ์การประยุกต์ใช้ หลักการของความตระหนี่แนะนำว่าระหว่างชุดโมเดลที่รวมข้อมูลที่เกี่ยวข้องทั้งหมดแล้วง่ายกว่าตัวแบบมักจะแสดงดีกว่ามากกว่าโมเดลที่ซับซ้อน ที่สองเป็น EW ประมาณการไม่ปรับอากาศในระยะยาวหมายถึงความแปรปรวน มันได้อย่างรวดเร็วเพื่อตอบสนองการเปลี่ยนแปลงในกระบวนการความแปรปรวนเมื่อเทียบกับประมาณการของ ( เทย์เลอร์1986 ) การศึกษาอื่น ๆได้พบว่าหลายรูปแบบสามารถอี๋ให้ถูกต้อง ความผันผวนมากขึ้นกว่ารูปแบบของการคาดการณ์( TSE , 1991 ; TSE & ตุง , 1992 ; boudoukh ริชาร์ดสัน และ ไวท์ลอว์ , ,1997 ; vipul & เจคอบ , 2007 ) สาม , RG รุ่นอาจไม่เหมาะสำหรับการพยากรณ์ขณะพยายามที่จะรวมสองคืนทุกวันด้วยตระหนักว่ามาตรการที่เพิ่มขึ้น มันก็ขึ้นว่าตระหนักถึงมาตรการให้แม่นกว่าประมาณการของแฝงความผันผวน ในขณะที่ พร้อมจะให้การประเมินเสียงดังทุกวัน( Andersen & bollerslev , 1998 ) ดังนั้น การรวมของพร้อมทุกวัน กลับมีแนวโน้มที่จะแนะนำเสียงในรูปแบบและส่งผลของมันออกมาจากงานตัวอย่าง ไม่มีข้อมูลได้รับโดยรวมของผลตอบแทนทุกวันในแบบที่เป็นตระหนักว่ามาตรการจัดเป็นกลุ่มข้อมูลที่ปรากฏในหนังสือพิมพ์รายวันกลับมา ผลของเราระบุว่าสามารถสร้างขึ้น ความผันผวนการคาดการณ์โดยใช้รูปแบบอนุกรมเวลา ด้วยเข้าใจง่ายกว่ามาตรการ จากมุมมองในทางปฏิบัติยัง แหวะ แบบง่ายที่จะใช้กว่า RG รุ่น มันไม่ต้องใช้ขนาดใหญ่ประวัติของการประมาณค่าแบบจำลองข้อมูล